1. 这个环境到底在解决什么问题做 AI 的人应该都有过这种纠结Windows 上有顺手的 IDE、截图工具、聊天软件但 PyTorch、CUDA、Docker、Linux 命令行一遇到 Windows 原生环境就开始给你脸色看。后来我彻底切到 WSL2 Linux GPU 直通这套组合才算是把两边的好处都占住了。标题里的 WSL2、AI、Linux、GPU直通不是四个孤立关键词而是一条完整开发链路在 Windows 上跑一个内核级 Linux让 GPU 通过微软的 dxgkrnl 映射进 WSL2CUDA 和 PyTorch 在这个 Linux 环境里原生执行。这套方案适合谁Windows 笔记本和台式机用户、想用 Linux 生态做 AI 实验和大模型微调、又不想每次重启切双系统的开发者。很多人一听“虚拟机”就担心性能损失但 WSL2 和传统 VM 不一样它跑的是真正的 Linux 内核GPU 调用也不是虚拟显示那种慢速路径。我自己从 2020 年开始用 WSL2 做深度学习这几年把踩过的坑基本都摸了一遍下面把整个搭建流程、原理和排错经验一次性说清楚。1.1 和虚拟机、双系统的核心区别先纠正一个常见误解WSL2 不是 API 翻译层也不是在 Windows 里模拟 Linux。WSL1 确实是把 Linux 系统调用翻译成 Windows 系统调用所以那时候跑 Docker、CUDA 都很别扭。WSL2 改成了虚拟机方案但不是一个完整显形的 Hyper-V 窗口而是由 Windows 启动一个轻量级工具 VM里面运行的是经过微软定制、仍然由 Linux 内核社区维护的 real kernel。简单说WSL2 里的uname -r输出的是一串 Linux 内核版本号而不是假的“Microsoft”兼容层。再说“GPU 直通”严格讲它并不是把显卡 PCIe 设备直接分配给虚拟机的传统 passthrough。WSL2 用的是微软的 GPU paravirtualizationWindows 侧安装的 NVIDIA 显卡驱动通过/dev/dxg设备暴露给 WSL2Linux 里的 CUDA 运行时调用这个设备实际计算任务交给物理 GPU 执行。对 PyTorch 这类计算框架来说损失可以忽略torch.cuda.is_available()返回 True显存也是真实分配的。这条路径比双系统方便比传统 VM 高效唯一的代价是你得接受微软这个“半透传”实现不能自己控制底层驱动行为。1.2 对 AI 开发来说它解决的三个痛点第一是环境一致性。AI 开源项目的安装文档几乎都是 Linux 优先apt install、pip install、docker run很少有人专门给你写 Windows 编译指南。WSL2 让你在 Windows 里打开一个 Ubuntu 终端然后照着 Linux 文档一步步敲就行不用再造轮子。第二是 GPU 加速的可用性。早期 WSL2 没有 GPU 加速跑个稍微大点的模型只能在 CPU 上干等。现在 Windows 侧装上较新的 NVIDIA 驱动WSL2 里直接执行nvidia-smi能看到和 Windows 上一样的驱动版本、显存占用、温度信息CUDA Toolkit 也可以装在 Linux 侧完全符合 AI 开发习惯。第三是生态集成。VS Code 的 Remote - WSL 插件、Windows Terminal、WSLg 图形界面、Docker Desktop 的 WSL 后端这套东西拼在一起后我可以同时在 Windows 窗口里开浏览器查资料在 WSL2 终端里跑训练脚本还能用 Linux 版 VS Code 直接读 WSL2 内部文件。对需要频繁对比实验结果的 AI 工程师来说这种体验是双系统给不了的。2. 部署前必须想清楚的决策点很多人拿到标题第一反应是“直接跑wsl --install不就行了”但实际操作中大量问题都出在这之前。版本选错、驱动不对、发行版不合适后面每一步都会连锁报错。部署前我建议先花十分钟做一次硬件和版本自查。2.1 硬件门槛自查WSL2 本身对硬件要求不高但如果你要跑 GPU就绕不开显卡和内存。以我做 PyTorch 训练和微调的经验最低配置和推荐配置差别还是很大的。项目最低可用推荐说明CPU4 核支持虚拟化8 核以上BIOS 里要开启 Intel VT-x / AMD-V内存16 GB32 GBWSL2 默认最多占 50% 物理内存大模型推理很容易吃满GPUNVIDIA GTX 1060 6GBRTX 3060 / 4070 及以上CUDA 生态最省心A 卡和 Intel 卡支持相对弱显卡驱动NVIDIA 471.11最新 Game Ready / Studio 驱动WSL2 的 CUDA 依赖 Windows 侧驱动磁盘50 GB 剩余SSD 512 GB 以上WSL2 虚拟磁盘会膨胀训练数据放在 Linux 内部文件系统更好检查虚拟化是否开启最简单的方式是打开“任务管理器 - 性能 - CPU”看右下角“虚拟化”是否显示“已启用”。如果已禁用需要进 BIOS 打开 SVM 或 VT-x。这一步不做后面会一直报“请启用虚拟机平台”。另一个容易忽略的点是WSL2 的 GPU 支持对 NVIDIA 最友好AMD 和 Intel 虽然也逐步支持但踩坑成本高。如果你专门做 AI建议直接认准 NVIDIA。2.2 版本选择WSL2、Ubuntu 版本、CUDA 版本一定要把 WSL 版本固定成 2。WSL1 也能安装 Ubuntu但它没有真正的 Linux 内核GPU 加速、Docker、CUDA 支持都很残缺。安装前先确认默认版本wsl --status wsl --set-default-version 2如果不是 WSL2或者系统提示更新可以用管理员 PowerShell 执行wsl --update。WSL 本身更新比较频繁但不用担心它和发行版是分开管理的。发行版我推荐 Ubuntu 22.04 LTS原因很现实大多数 CUDA、PyTorch、ROS、AI 相关教程的示例命令都是针对 22.04 写的遇到的问题也最容易搜到解决方案。Ubuntu 24.04 也能用但个别 CUDA 源和编译依赖偶尔会有延迟。如果你完全不想折腾兼容性直接wsl --install -d Ubuntu-22.04CUDA 版本的选择不要一味追新。比如 Windows 侧驱动如果是 550 系列WSL 里装 CUDA 12.4 Toolkit 是稳妥组合。PyTorch 官方预编译 wheel 目前对 CUDA 12.4、12.8 支持都很好。我的建议是先装一个主流 CUDA 版本比如 12.4不要尝试把每个库都升级到最新AI 环境最怕“全都最新结果谁都不兼容”。2.3 先装 Windows 驱动再装 WSL这步顺序很多人搞反。WSL2 里的显卡驱动不需要在 Linux 内安装它借用的是 Windows 侧的 NVIDIA 驱动。正确流程是先把 Windows NVIDIA 驱动更新到较新版本再启动 WSL2然后在 WSL2 里只装 CUDA Toolkit不装 Linux 版显卡驱动。装完 Windows 驱动后进入 WSL2 终端跑一下nvidia-smi如果输出类似Driver Version: 550.xx且能看到 GPU 型号说明 GPU 映射链路已经通了。此时哪怕还没装 CUDA ToolkitPyTorch 的 CUDA 运行时也有一部分能工作但开发工具链还是需要补全。3. 从零到 PyTorch 跑起来的完整流程这节我会把命令一步步铺开尽量做到你照着敲就能复现。整个过程正常情况下 30 分钟能跑通慢主要慢在下载和安装。3.1 第一步安装并配置 WSL2在 Windows 管理员 PowerShell 里执行wsl --install -d Ubuntu-22.04如果系统提示“适用于 Linux 的 Windows 子系统”组件未启用会自动安装并让你重启。重启后 Ubuntu 会自动开始初始化设置用户名和密码。这里设置的用户名不是 Windows 用户名它是 WSL2 内部 Linux 的普通用户之后所有安装操作会用到sudo。安装完先检查状态wsl -l -v正常情况下输出应该有一行 Ubuntu-22.04STATE 为 RunningVERSION 为 2。如果 VERSION 是 1执行wsl --set-version Ubuntu-22.04 2这一步会把 WSL1 的实例转换到 WSL2如果发行版里已经装了不少东西转换会花几分钟。转换前建议备份。3.2 把发行版放到 D 盘默认安装位置是 C 盘对很多人来说是灾难。WSL2 系统盘虚拟文件会占用几十 GB加上以后装 CUDA、PyTorch、Docker 镜像C 盘空间不够是必然的。把发行版搬到 D 盘内置命令就能做wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl\ubuntu2204.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\wsl\ubuntu2204 D:\wsl\ubuntu2204.tar --version 2注意--unregister会删除这个发行版的所有数据但我们已经先导出了 tar 包所以不用担心。导入后可以删除那个 tar 文件释放空间。导入后的发行版默认使用 root 用户登录等下在“常见问题”里我会给修复方案。如果你不想处理 root 用户问题还有一个折中办法先正常安装不动等系统跑顺了再迁移。3.3 Linux 环境基础配置进入 WSL2sudo apt update sudo apt upgrade -y sudo apt install -y build-essential git curl wget unzip如果之后要用 Docker 且希望 systemd 服务能自动启动需要创建/etc/wsl.confsudo tee /etc/wsl.conf EOF [boot] systemdtrue [user] default你的用户名 EOF然后回到 Windows PowerShell 执行wsl --shutdown重新进入 WSL2systemctl status就能用了。[user]这一节也能顺手解决导入发行版后默认 root 登录的问题。3.4 在 WSL2 里安装 CUDA 工具包先明确CUDA Toolkit 和显卡驱动不是一回事。显卡驱动你用 Windows 的即可CUDA Toolkit 是编译器、数学库、调试工具这些开发组件需要装进 Linux 里。以 CUDA 12.4 为例在 Ubuntu 22.04 的 WSL2 中执行wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install -y cuda-toolkit-12-4cuda-keyring会把 NVIDIA 的 apt 源写入系统之后安装、更新都走apt比官网装 runfile 省心得多。安装完成后配置环境变量echo export PATH/usr/local/cuda-12.4/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc nvcc --version如果nvcc能输出版本号说明 CUDA Toolkit 装好了。此时再跑nvidia-smi输出会比之前更完整顶部驱动版本来自 Windows 侧下面的 CUDA 版本是驱动支持的版本和 Toolkit 版本可能不完全一致但这不影响 PyTorch 使用PyTorch 会自己加载匹配的 CUDA runtime。3.5 创建 Python 虚拟环境并验证 PyTorchAI 开发最好用 Python 虚拟环境避免多个项目互相污染。我习惯用 Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc conda create -n ai python3.10 -y conda activate ai然后安装 PyTorch。这里强烈建议用 PyTorch 官网给出的 wheel 地址而不是直接pip install torch因为默认 PyPI 源可能装到 CPU 版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124安装完成后做最关键的验证python -c import torch; print(CUDA available:, torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出CUDA available: True说明 WSL2 的 GPU 直通链路已经打通。再跑一个小计算确认显存分配正常python - PY import torch x torch.randn(1000, 1000, devicecuda) y torch.mm(x, x) print(y.sum().item()) PY能打印出一个非零数字就说明这套环境可以正式开工了。3.6 用 Docker 跑带 GPU 的 AI 容器很多 AI 项目会用到 Docker 镜像尤其大模型服务端。WSL2 配 Docker 有两种常见方式装 Docker Desktop 并开启 WSL 集成或者直接在 WSL2 内部装 Docker Engine。如果你主要在 Windows 上日用Docker Desktop 最省事安装后到 Settings - Resources - WSL integration 里打开 Ubuntu 的开关然后在 WSL2 终端里直接docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi这条命令会下载一个很小的 CUDA base 镜像在容器里执行nvidia-smi。能看到 GPU 信息说明 Docker 也能访问 WSL2 的 GPU。如果不想依赖 Docker Desktop在 WSL2 内安装curl -fsSL https://get.docker.com | sh sudo apt install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtimedocker sudo systemctl restart docker前提是系统里开了 systemd。装完同样跑上面的docker run验证。4. 踩坑实录常见问题与排查技巧WSL2 的坑不在地层原理而在版本匹配和 Windows 组件状态。下面几条都是我自己真实遇到过的问题也是社区里高频出现的。4.1 WSL2 无法启动 / 尚未准备就绪这类报错最常见的是“适用于 Linux 的 Windows 子系统”或“虚拟机平台”没有完全启用。使用管理员 PowerShell 执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart执行完重启然后wsl --update wsl --set-default-version 2如果还报“BIOS 中未启用虚拟化”就需要进主板 BIOS 开启 SVMAMD或 VT-xIntel。注意部分电脑的 Hyper-V / 虚拟化相关项被安全软件锁定需要先退出安全软件再进 BIOS。4.2 nvidia-smi 不工作进 WSL2 执行nvidia-smi如果报command not found先确认 Windows 侧可视化软件里能看到 GPU。然后更新 Windows NVIDIA 驱动到较新版本再wsl --shutdown后重启 WSL2。如果显示“CUDA initialization error”大概率是 CUDA Toolkit 装得太新而 Windows 侧驱动略旧。最简单的方法是直接升级 Windows 驱动或者把 Toolkit 版本降到驱动支持范围内。4.3 大模型训练时内存爆掉WSL2 默认会动态占用 Windows 物理内存最大约 50%。如果训练时看到vmmem进程把内存吃满手动限制。在 Windows 用户目录下创建.wslconfig[wsl2] memory12GB processors8 swap4GB改完后wsl --shutdown再启动。这里有一条经验内存配置不是越大越好Windows 本身还要留出 4-8 GB否则宿主机卡死WSL2 里的训练也会变慢。另外WSL2 会把文件缓存算进已用内存看起来占用高但不一定真的不够。如果模型加载后出现 OOM优先减小 batch size或者检查是不是把数据集放在了/mnt/c这类跨文件系统路径上。4.4 /mnt/c 路径 IO 太慢WSL2 访问 Windows 盘符比如/mnt/d/dataset走的是 9P 协议小文件读写损耗很夸张。我试过把 ImageNet 类数据集直接放/mnt/d训练数据加载时间比推理时间还长。正确做法是把训练数据、代码仓库放到 WSL2 自己的 ext4 文件系统里比如~/code、~/datasets。Windows 侧软件想访问这些文件在资源管理器地址栏输入\\wsl$\Ubuntu-22.04\home\用户名\即可。4.5 发行版搬走后无法指定默认用户用wsl --import导入的发行版每次打开都是 root。解决方式是在 WSL2 内创建wsl.conf并指定默认用户sudo tee /etc/wsl.conf EOF [user] default你的用户名 EOF然后wsl --shutdown重新进入即可。注意这里用户名必须和你在原发行版里创建的一致如果忘了可以先ls /home查看。4.6 问题速查表现象常见原因处理办法wsl --install卡住很久Windows 更新组件未就绪管理员 PowerShell 执行wsl --update或重启后再试WSL2 无法启动提示未启用虚拟机平台BIOS 虚拟化或 Windows 功能未开检查 BIOS启用 VirtualMachinePlatformnvidia-smi找不到命令Windows NVIDIA 驱动未更新更新 Windows 驱动重启 WSL2PyTorch 显示 CUDA 不可用wheel 装了 CPU 版用--index-url https://download.pytorch.org/whl/cu124重装Docker 无法使用 GPU未配置 nvidia-container-toolkit安装 toolkit执行sudo nvidia-ctk runtime configure --runtimedockerWSL2 磁盘占满 C 盘发行版在 C 盘且不断膨胀wsl --exportwsl --import迁移到 D 盘vmmem 内存占满WSL2 内存无限制在.wslconfig里设置memory12GB5. 从“能用”到“好用”的几条个人建议环境跑通只是第一步后面真正影响效率的是日常使用习惯。我自己的开发流里几个细节最有价值。5.1 用 WSLg 开 GUI 应用WSL2 内置的 WSLg 支持 Linux GUI 应用。训练大模型时我会在 WSL2 里直接用 TensorBoard、Jupyter Notebook或者跑一些数据处理脚本时弹出的 matplotlib 图表。不用额外装 X ServerWSL 会自动处理显示。比如pip install tensorboard tensorboard --logdir ./runs然后 Windows 浏览器访问http://localhost:6006就能看训练曲线。这里的网络是 WSL2 自动转发到 Windows 的不需要手动配置端口映射。用 VS Code 时记得装 Remote - WSL 插件代码在 Linux 文件系统里执行编辑体验和 Windows 本地一致。5.2 日常开发目录和 Git 配置我给自己的 WSL2 定了一个规则代码和数据永远放在 Linux 内部别放/mnt/c。因为 Windows 文件系统到 WSL2 的跨系统访问速度损失非常大而 WSL2 内部 ext4 文件系统对大文件、大量小文件都更友好。Git 仓库也一样放到 WSL2 里权限、符号链接、shell 钩子都更正常。Windows 下需要用这些文件时用\\wsl$路径访问反过来编辑则建议在 Linux 侧进行。5.3 什么时候别用 WSL2WSL2 适合单机开发、调试、实验但并不适合所有场景。如果你要跑 8 卡甚至更多卡的分布式训练、生产环境推理服务、长时间压满 GPU 且对稳定性要求极高的任务我建议直接用原生 Linux 服务器。WSL2 的底层仍然依赖 Windows 的 Hyper-V 调度Windows 系统更新、驱动升级、蓝屏重启都会打断训练。它最大的价值是让你在 Windows 笔记本上就能做 AI 开发而不是替代机房里的 Linux 机器。就我个人的使用体验WSL2 这个环境最让人舒服的一点是你在 Windows 上正常办公打开终端却是一个完整 LinuxGPU 资源随叫随到。把 CUDA、PyTorch、Docker 这套流程走通之后后续再搭任何 AI 项目都会特别快。我建议第一次搭建的人别急着装一堆“全家桶”先把一条最小路径跑通再按需加组件。环境越干净后面排错越省事。
WSL2+Linux+GPU直通：Windows下搭建AI深度学习环境的完整指南
1. 这个环境到底在解决什么问题做 AI 的人应该都有过这种纠结Windows 上有顺手的 IDE、截图工具、聊天软件但 PyTorch、CUDA、Docker、Linux 命令行一遇到 Windows 原生环境就开始给你脸色看。后来我彻底切到 WSL2 Linux GPU 直通这套组合才算是把两边的好处都占住了。标题里的 WSL2、AI、Linux、GPU直通不是四个孤立关键词而是一条完整开发链路在 Windows 上跑一个内核级 Linux让 GPU 通过微软的 dxgkrnl 映射进 WSL2CUDA 和 PyTorch 在这个 Linux 环境里原生执行。这套方案适合谁Windows 笔记本和台式机用户、想用 Linux 生态做 AI 实验和大模型微调、又不想每次重启切双系统的开发者。很多人一听“虚拟机”就担心性能损失但 WSL2 和传统 VM 不一样它跑的是真正的 Linux 内核GPU 调用也不是虚拟显示那种慢速路径。我自己从 2020 年开始用 WSL2 做深度学习这几年把踩过的坑基本都摸了一遍下面把整个搭建流程、原理和排错经验一次性说清楚。1.1 和虚拟机、双系统的核心区别先纠正一个常见误解WSL2 不是 API 翻译层也不是在 Windows 里模拟 Linux。WSL1 确实是把 Linux 系统调用翻译成 Windows 系统调用所以那时候跑 Docker、CUDA 都很别扭。WSL2 改成了虚拟机方案但不是一个完整显形的 Hyper-V 窗口而是由 Windows 启动一个轻量级工具 VM里面运行的是经过微软定制、仍然由 Linux 内核社区维护的 real kernel。简单说WSL2 里的uname -r输出的是一串 Linux 内核版本号而不是假的“Microsoft”兼容层。再说“GPU 直通”严格讲它并不是把显卡 PCIe 设备直接分配给虚拟机的传统 passthrough。WSL2 用的是微软的 GPU paravirtualizationWindows 侧安装的 NVIDIA 显卡驱动通过/dev/dxg设备暴露给 WSL2Linux 里的 CUDA 运行时调用这个设备实际计算任务交给物理 GPU 执行。对 PyTorch 这类计算框架来说损失可以忽略torch.cuda.is_available()返回 True显存也是真实分配的。这条路径比双系统方便比传统 VM 高效唯一的代价是你得接受微软这个“半透传”实现不能自己控制底层驱动行为。1.2 对 AI 开发来说它解决的三个痛点第一是环境一致性。AI 开源项目的安装文档几乎都是 Linux 优先apt install、pip install、docker run很少有人专门给你写 Windows 编译指南。WSL2 让你在 Windows 里打开一个 Ubuntu 终端然后照着 Linux 文档一步步敲就行不用再造轮子。第二是 GPU 加速的可用性。早期 WSL2 没有 GPU 加速跑个稍微大点的模型只能在 CPU 上干等。现在 Windows 侧装上较新的 NVIDIA 驱动WSL2 里直接执行nvidia-smi能看到和 Windows 上一样的驱动版本、显存占用、温度信息CUDA Toolkit 也可以装在 Linux 侧完全符合 AI 开发习惯。第三是生态集成。VS Code 的 Remote - WSL 插件、Windows Terminal、WSLg 图形界面、Docker Desktop 的 WSL 后端这套东西拼在一起后我可以同时在 Windows 窗口里开浏览器查资料在 WSL2 终端里跑训练脚本还能用 Linux 版 VS Code 直接读 WSL2 内部文件。对需要频繁对比实验结果的 AI 工程师来说这种体验是双系统给不了的。2. 部署前必须想清楚的决策点很多人拿到标题第一反应是“直接跑wsl --install不就行了”但实际操作中大量问题都出在这之前。版本选错、驱动不对、发行版不合适后面每一步都会连锁报错。部署前我建议先花十分钟做一次硬件和版本自查。2.1 硬件门槛自查WSL2 本身对硬件要求不高但如果你要跑 GPU就绕不开显卡和内存。以我做 PyTorch 训练和微调的经验最低配置和推荐配置差别还是很大的。项目最低可用推荐说明CPU4 核支持虚拟化8 核以上BIOS 里要开启 Intel VT-x / AMD-V内存16 GB32 GBWSL2 默认最多占 50% 物理内存大模型推理很容易吃满GPUNVIDIA GTX 1060 6GBRTX 3060 / 4070 及以上CUDA 生态最省心A 卡和 Intel 卡支持相对弱显卡驱动NVIDIA 471.11最新 Game Ready / Studio 驱动WSL2 的 CUDA 依赖 Windows 侧驱动磁盘50 GB 剩余SSD 512 GB 以上WSL2 虚拟磁盘会膨胀训练数据放在 Linux 内部文件系统更好检查虚拟化是否开启最简单的方式是打开“任务管理器 - 性能 - CPU”看右下角“虚拟化”是否显示“已启用”。如果已禁用需要进 BIOS 打开 SVM 或 VT-x。这一步不做后面会一直报“请启用虚拟机平台”。另一个容易忽略的点是WSL2 的 GPU 支持对 NVIDIA 最友好AMD 和 Intel 虽然也逐步支持但踩坑成本高。如果你专门做 AI建议直接认准 NVIDIA。2.2 版本选择WSL2、Ubuntu 版本、CUDA 版本一定要把 WSL 版本固定成 2。WSL1 也能安装 Ubuntu但它没有真正的 Linux 内核GPU 加速、Docker、CUDA 支持都很残缺。安装前先确认默认版本wsl --status wsl --set-default-version 2如果不是 WSL2或者系统提示更新可以用管理员 PowerShell 执行wsl --update。WSL 本身更新比较频繁但不用担心它和发行版是分开管理的。发行版我推荐 Ubuntu 22.04 LTS原因很现实大多数 CUDA、PyTorch、ROS、AI 相关教程的示例命令都是针对 22.04 写的遇到的问题也最容易搜到解决方案。Ubuntu 24.04 也能用但个别 CUDA 源和编译依赖偶尔会有延迟。如果你完全不想折腾兼容性直接wsl --install -d Ubuntu-22.04CUDA 版本的选择不要一味追新。比如 Windows 侧驱动如果是 550 系列WSL 里装 CUDA 12.4 Toolkit 是稳妥组合。PyTorch 官方预编译 wheel 目前对 CUDA 12.4、12.8 支持都很好。我的建议是先装一个主流 CUDA 版本比如 12.4不要尝试把每个库都升级到最新AI 环境最怕“全都最新结果谁都不兼容”。2.3 先装 Windows 驱动再装 WSL这步顺序很多人搞反。WSL2 里的显卡驱动不需要在 Linux 内安装它借用的是 Windows 侧的 NVIDIA 驱动。正确流程是先把 Windows NVIDIA 驱动更新到较新版本再启动 WSL2然后在 WSL2 里只装 CUDA Toolkit不装 Linux 版显卡驱动。装完 Windows 驱动后进入 WSL2 终端跑一下nvidia-smi如果输出类似Driver Version: 550.xx且能看到 GPU 型号说明 GPU 映射链路已经通了。此时哪怕还没装 CUDA ToolkitPyTorch 的 CUDA 运行时也有一部分能工作但开发工具链还是需要补全。3. 从零到 PyTorch 跑起来的完整流程这节我会把命令一步步铺开尽量做到你照着敲就能复现。整个过程正常情况下 30 分钟能跑通慢主要慢在下载和安装。3.1 第一步安装并配置 WSL2在 Windows 管理员 PowerShell 里执行wsl --install -d Ubuntu-22.04如果系统提示“适用于 Linux 的 Windows 子系统”组件未启用会自动安装并让你重启。重启后 Ubuntu 会自动开始初始化设置用户名和密码。这里设置的用户名不是 Windows 用户名它是 WSL2 内部 Linux 的普通用户之后所有安装操作会用到sudo。安装完先检查状态wsl -l -v正常情况下输出应该有一行 Ubuntu-22.04STATE 为 RunningVERSION 为 2。如果 VERSION 是 1执行wsl --set-version Ubuntu-22.04 2这一步会把 WSL1 的实例转换到 WSL2如果发行版里已经装了不少东西转换会花几分钟。转换前建议备份。3.2 把发行版放到 D 盘默认安装位置是 C 盘对很多人来说是灾难。WSL2 系统盘虚拟文件会占用几十 GB加上以后装 CUDA、PyTorch、Docker 镜像C 盘空间不够是必然的。把发行版搬到 D 盘内置命令就能做wsl --shutdown wsl --export Ubuntu-22.04 D:\wsl\ubuntu2204.tar wsl --unregister Ubuntu-22.04 wsl --import Ubuntu-22.04 D:\wsl\ubuntu2204 D:\wsl\ubuntu2204.tar --version 2注意--unregister会删除这个发行版的所有数据但我们已经先导出了 tar 包所以不用担心。导入后可以删除那个 tar 文件释放空间。导入后的发行版默认使用 root 用户登录等下在“常见问题”里我会给修复方案。如果你不想处理 root 用户问题还有一个折中办法先正常安装不动等系统跑顺了再迁移。3.3 Linux 环境基础配置进入 WSL2sudo apt update sudo apt upgrade -y sudo apt install -y build-essential git curl wget unzip如果之后要用 Docker 且希望 systemd 服务能自动启动需要创建/etc/wsl.confsudo tee /etc/wsl.conf EOF [boot] systemdtrue [user] default你的用户名 EOF然后回到 Windows PowerShell 执行wsl --shutdown重新进入 WSL2systemctl status就能用了。[user]这一节也能顺手解决导入发行版后默认 root 登录的问题。3.4 在 WSL2 里安装 CUDA 工具包先明确CUDA Toolkit 和显卡驱动不是一回事。显卡驱动你用 Windows 的即可CUDA Toolkit 是编译器、数学库、调试工具这些开发组件需要装进 Linux 里。以 CUDA 12.4 为例在 Ubuntu 22.04 的 WSL2 中执行wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt update sudo apt install -y cuda-toolkit-12-4cuda-keyring会把 NVIDIA 的 apt 源写入系统之后安装、更新都走apt比官网装 runfile 省心得多。安装完成后配置环境变量echo export PATH/usr/local/cuda-12.4/bin:$PATH ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.4/lib64:$LD_LIBRARY_PATH ~/.bashrc source ~/.bashrc nvcc --version如果nvcc能输出版本号说明 CUDA Toolkit 装好了。此时再跑nvidia-smi输出会比之前更完整顶部驱动版本来自 Windows 侧下面的 CUDA 版本是驱动支持的版本和 Toolkit 版本可能不完全一致但这不影响 PyTorch 使用PyTorch 会自己加载匹配的 CUDA runtime。3.5 创建 Python 虚拟环境并验证 PyTorchAI 开发最好用 Python 虚拟环境避免多个项目互相污染。我习惯用 Minicondawget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc conda create -n ai python3.10 -y conda activate ai然后安装 PyTorch。这里强烈建议用 PyTorch 官网给出的 wheel 地址而不是直接pip install torch因为默认 PyPI 源可能装到 CPU 版本pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124安装完成后做最关键的验证python -c import torch; print(CUDA available:, torch.cuda.is_available()); print(torch.cuda.get_device_name(0))如果输出CUDA available: True说明 WSL2 的 GPU 直通链路已经打通。再跑一个小计算确认显存分配正常python - PY import torch x torch.randn(1000, 1000, devicecuda) y torch.mm(x, x) print(y.sum().item()) PY能打印出一个非零数字就说明这套环境可以正式开工了。3.6 用 Docker 跑带 GPU 的 AI 容器很多 AI 项目会用到 Docker 镜像尤其大模型服务端。WSL2 配 Docker 有两种常见方式装 Docker Desktop 并开启 WSL 集成或者直接在 WSL2 内部装 Docker Engine。如果你主要在 Windows 上日用Docker Desktop 最省事安装后到 Settings - Resources - WSL integration 里打开 Ubuntu 的开关然后在 WSL2 终端里直接docker run --rm --gpus all nvidia/cuda:12.4.0-base-ubuntu22.04 nvidia-smi这条命令会下载一个很小的 CUDA base 镜像在容器里执行nvidia-smi。能看到 GPU 信息说明 Docker 也能访问 WSL2 的 GPU。如果不想依赖 Docker Desktop在 WSL2 内安装curl -fsSL https://get.docker.com | sh sudo apt install -y nvidia-container-toolkit sudo nvidia-ctk runtime configure --runtimedocker sudo systemctl restart docker前提是系统里开了 systemd。装完同样跑上面的docker run验证。4. 踩坑实录常见问题与排查技巧WSL2 的坑不在地层原理而在版本匹配和 Windows 组件状态。下面几条都是我自己真实遇到过的问题也是社区里高频出现的。4.1 WSL2 无法启动 / 尚未准备就绪这类报错最常见的是“适用于 Linux 的 Windows 子系统”或“虚拟机平台”没有完全启用。使用管理员 PowerShell 执行dism.exe /online /enable-feature /featurename:Microsoft-Windows-Subsystem-Linux /all /norestart dism.exe /online /enable-feature /featurename:VirtualMachinePlatform /all /norestart执行完重启然后wsl --update wsl --set-default-version 2如果还报“BIOS 中未启用虚拟化”就需要进主板 BIOS 开启 SVMAMD或 VT-xIntel。注意部分电脑的 Hyper-V / 虚拟化相关项被安全软件锁定需要先退出安全软件再进 BIOS。4.2 nvidia-smi 不工作进 WSL2 执行nvidia-smi如果报command not found先确认 Windows 侧可视化软件里能看到 GPU。然后更新 Windows NVIDIA 驱动到较新版本再wsl --shutdown后重启 WSL2。如果显示“CUDA initialization error”大概率是 CUDA Toolkit 装得太新而 Windows 侧驱动略旧。最简单的方法是直接升级 Windows 驱动或者把 Toolkit 版本降到驱动支持范围内。4.3 大模型训练时内存爆掉WSL2 默认会动态占用 Windows 物理内存最大约 50%。如果训练时看到vmmem进程把内存吃满手动限制。在 Windows 用户目录下创建.wslconfig[wsl2] memory12GB processors8 swap4GB改完后wsl --shutdown再启动。这里有一条经验内存配置不是越大越好Windows 本身还要留出 4-8 GB否则宿主机卡死WSL2 里的训练也会变慢。另外WSL2 会把文件缓存算进已用内存看起来占用高但不一定真的不够。如果模型加载后出现 OOM优先减小 batch size或者检查是不是把数据集放在了/mnt/c这类跨文件系统路径上。4.4 /mnt/c 路径 IO 太慢WSL2 访问 Windows 盘符比如/mnt/d/dataset走的是 9P 协议小文件读写损耗很夸张。我试过把 ImageNet 类数据集直接放/mnt/d训练数据加载时间比推理时间还长。正确做法是把训练数据、代码仓库放到 WSL2 自己的 ext4 文件系统里比如~/code、~/datasets。Windows 侧软件想访问这些文件在资源管理器地址栏输入\\wsl$\Ubuntu-22.04\home\用户名\即可。4.5 发行版搬走后无法指定默认用户用wsl --import导入的发行版每次打开都是 root。解决方式是在 WSL2 内创建wsl.conf并指定默认用户sudo tee /etc/wsl.conf EOF [user] default你的用户名 EOF然后wsl --shutdown重新进入即可。注意这里用户名必须和你在原发行版里创建的一致如果忘了可以先ls /home查看。4.6 问题速查表现象常见原因处理办法wsl --install卡住很久Windows 更新组件未就绪管理员 PowerShell 执行wsl --update或重启后再试WSL2 无法启动提示未启用虚拟机平台BIOS 虚拟化或 Windows 功能未开检查 BIOS启用 VirtualMachinePlatformnvidia-smi找不到命令Windows NVIDIA 驱动未更新更新 Windows 驱动重启 WSL2PyTorch 显示 CUDA 不可用wheel 装了 CPU 版用--index-url https://download.pytorch.org/whl/cu124重装Docker 无法使用 GPU未配置 nvidia-container-toolkit安装 toolkit执行sudo nvidia-ctk runtime configure --runtimedockerWSL2 磁盘占满 C 盘发行版在 C 盘且不断膨胀wsl --exportwsl --import迁移到 D 盘vmmem 内存占满WSL2 内存无限制在.wslconfig里设置memory12GB5. 从“能用”到“好用”的几条个人建议环境跑通只是第一步后面真正影响效率的是日常使用习惯。我自己的开发流里几个细节最有价值。5.1 用 WSLg 开 GUI 应用WSL2 内置的 WSLg 支持 Linux GUI 应用。训练大模型时我会在 WSL2 里直接用 TensorBoard、Jupyter Notebook或者跑一些数据处理脚本时弹出的 matplotlib 图表。不用额外装 X ServerWSL 会自动处理显示。比如pip install tensorboard tensorboard --logdir ./runs然后 Windows 浏览器访问http://localhost:6006就能看训练曲线。这里的网络是 WSL2 自动转发到 Windows 的不需要手动配置端口映射。用 VS Code 时记得装 Remote - WSL 插件代码在 Linux 文件系统里执行编辑体验和 Windows 本地一致。5.2 日常开发目录和 Git 配置我给自己的 WSL2 定了一个规则代码和数据永远放在 Linux 内部别放/mnt/c。因为 Windows 文件系统到 WSL2 的跨系统访问速度损失非常大而 WSL2 内部 ext4 文件系统对大文件、大量小文件都更友好。Git 仓库也一样放到 WSL2 里权限、符号链接、shell 钩子都更正常。Windows 下需要用这些文件时用\\wsl$路径访问反过来编辑则建议在 Linux 侧进行。5.3 什么时候别用 WSL2WSL2 适合单机开发、调试、实验但并不适合所有场景。如果你要跑 8 卡甚至更多卡的分布式训练、生产环境推理服务、长时间压满 GPU 且对稳定性要求极高的任务我建议直接用原生 Linux 服务器。WSL2 的底层仍然依赖 Windows 的 Hyper-V 调度Windows 系统更新、驱动升级、蓝屏重启都会打断训练。它最大的价值是让你在 Windows 笔记本上就能做 AI 开发而不是替代机房里的 Linux 机器。就我个人的使用体验WSL2 这个环境最让人舒服的一点是你在 Windows 上正常办公打开终端却是一个完整 LinuxGPU 资源随叫随到。把 CUDA、PyTorch、Docker 这套流程走通之后后续再搭任何 AI 项目都会特别快。我建议第一次搭建的人别急着装一堆“全家桶”先把一条最小路径跑通再按需加组件。环境越干净后面排错越省事。